仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
以下文章来源于微信公众号：爱罗AI说
作者：Aleo
链接：https ://mp.weixin.qq.com/s/Ugm7hLp9qar5hjdA3m-b1Q
本文仅用于学术分享，如有侵权，请联系后台作删文处理
导读
算法能否成功落地，不只靠技术，更关乎价值判断与全局思考。本文结合实践经验，总结了在研发前、中、后期必须自问的问题，帮助算法人少走弯路，提升研发质量与落地成功率。
“如果有人问你，我为什么要买你的算法？产品集成了这个算法能带来什么改变？客户会不会为这个改变付钱？研发了这套东西要花多少成本，是否值得？不知道我们是不是都能回答得上来。但是，在实际落地过程中，这些问题是无法逃避的，前面不面对，后面就受罪。看了太多东西研发完了，事后找补价值的；也见了太多前面胸脯拍的叮当响，后面双脚不离地到处救火的。
今天我尝试着总结一下做算法落地前要问自己的一些问题，并且给出自己的答案。以此作为引子，希望能对大家有一些启发和帮助，让算法落地的进程少一些弯路。”
01
—
研发前要问哪些问题
从工作开始，就一直被各种灌输过一个思维，那就是敏捷开发，小步快跑，快速迭代，等你想清楚了，黄花菜都凉了，我们要在做中发现问题、解决问题，等等等等，大概都是一个意思。就跟小时候一直听书上说“父母在不远游”，然后大家就认为父母健在我们就应该陪在他们身边，不应该去看看外面的世界，但实际上还有下一句，“父母在不远游，游必有方”。投射到我们的算法研发上，也是一样，很多时候，我们的算法或产品研发，将上面的那套快速迭代模式的字面意思当成金科玉律，成了我们事先不思考的免死金牌，但这往往是算法或产品最终做失败的最底层原因。
我一直到最近几年，还是偶尔被老板私底下说，想太多了，怎么还不动？但交给我的那摊子事，往往是质量上最过硬的，交付节点最能保障的，所以他也只是说一说，也不会硬推着怎么样。时常复盘过往的工作，结合自身的经历以及看到的一些别人的经历，总结一下，研发一款好的算法产品，事先要问自己的一些问题。
1.我们的算法最终要解决什么人的什么问题？这个问题要第一个回答，它的重要性足以让我把它标红加粗，如果不是考虑排版，我还想把它字体放大。绝大部份算法产品最终是否会死掉，在做它的那个时刻就决定了，研发本身在能否成事上，并不起决定作用，事想好，人找对，绝大部分都能成。我们到底要解决什么问题？这句话单独拿出来，那就都觉得可笑，但是大多数情况下，这个问题都不能被很好的回答。你说，我们要做一款算法去识别道路上的裂缝，这个产品给谁用？监管部门还是养护部门，这两个部门关注点完全不一样，你的硬件和算法选型就完全不一样。我们面向的是养护部门，养护经费有限，那重点类别搞一搞，严重的不漏，他们能用的很好，你搞精细化了他们还嫌你事多呢。如果你是要出道路裂缝分布的检测报告，那上面的思路就不行，对应的传感器和作业模式都不一样。如果这个问题一开始就没想好，那后面研发出来再牛的算法都没用，给一个芒果过敏的人说，我这个芒果个大核小又甜，你怎么不吃呢？那不是一个道理嘛。
2.这个问题痛吗？问你的客户，你还有哪些问题想被解决？我来帮你搞，那估计他能跟你唠一个晚上。这个裂缝要检，规范上说多少多少毫米以上的都要处理呢。占道经营也要识别，路上的坑槽也要识别，那个路灯不亮了也要识别…，反正他能讲出名字的，都要。但是你实际观察他们的作业模式，别说多少毫米的裂缝了，上厘米的都不一定会关注。但是出现了一个坑槽，他们会很紧张，很快就去修。你去问为什么呢？一个裂缝嘛，又不会出事，路上有坑，车可能会翻的。什么问题是痛的，非常重要，而且，你问客户，因为他那个角色在，有时候他也不一定会告诉你，一问都重要，这些都要上，研发成本和研发周期又扛不住。我们要先解决客户痛的问题，但是有时候，哪些问题痛，还得我们自己发掘。
3.这个问题可被解决吗？要做的事确定了，就得问问自己能不能搞得定。客户让在一个非常开放的场景解决非常精细的识别问题，传感器都感知不到，或者感知稳定性不够，你说让算法稳定识别，这可能吗？
4.这个问题被解决的成本高吗？这个事情要做，我们要付出多少代价，客户能否付出能覆盖我们成本的报酬，这点也很重要。就像现在非常火的大模型，放在视觉领域，以前很多我们没法解决的零少样本问题，有了多模态大模型，我们看到了问题能被解决的可能性，但是毕竟直接使用它，现在的推理成本还比较高，客户要预算足还好，如果预算不够，我们问题给他解决了，也没意义不是。
5.这个问题普遍吗？这是个普遍的问题吗？如果是，那可以朝着做产品的方式研发，前期的投入可以通过后面的多次销售分摊成本，那在思考研发成本的时候就得重新计算了。
上面是我在看到一个需求的时候，在动手做之前考虑问题的一个模式。但是，思考这回事，容易陷进去，很多事情没做之前，没办法看到全貌，后面会遇到哪些问题也并不知道，如果逼着自己能考虑到多远以后的事情，那肯定会陷入到预设困难，加剧内耗的魔咒里。怎么应对呢？我这边的建议是，长看、中想、短做，大的方向的价值一定要考虑，中期的逻辑要闭环，沿着中期的逻辑闭环制定短期计划并不断执行，大的方向是指引我们前进的，路径可能不清晰；中期的逻辑带来能产生具体的价值要考虑清楚了，以确定的价值目标指导制定短期的计划，制定好后就无脑执行吧，一个计划执行完后再复盘要不要调整节奏。我理解，这才是快速迭代的初衷，该粗粗该细细，该省省该花花，主打一个少让自己内耗。
02
—
研发中要怎么做
上面的问题回答完后，你的结论是，这个事情有搞头。那后面就看看具体的研发要怎么做？一般到这里，要做的事情已经想清楚了，更多的要考虑怎么把控研发的质量和进度，控制研发成本，这里也有几个问题要问。
1.给客户输出的是什么？绝大部分AI算法都不会直接面向客户输出价值的，而是包在一个行业应用里，算法更多的是信息提供者，应用负责信息整合和价值输出。一定要确定好给客户的输出是什么，然后反推算法要输出什么？系统要输出什么？有哪些先验信息可以拿到？没有严格意义上不会犯错的算法，更多的时候设计一条友好的业务链路，可以在算法没那么厉害的时候也能解决客户的大部分问题，有时候没必要死磕算法，面向产品价值输出考虑技术方案，可能更有利于做好产品。
2.算法在里面承担什么角色？从外往内拆解功能，整体产品考虑好以后，再看算法在里面承担什么角色，进而看看对算法有什么要求，明确算法的功能和性能边界，减少算法功能的过度设计，也在省钱。题外话一点，很多算法同学都是高学历很聪明的一帮人，容易跟自己较劲，害怕别人挑战你说这个功能咋就不能实现？然后就无缘无故的接了很多本不该被算法解决的工作，可能你也解决不了。其实，这也对搞算法的同学提了更高的要求，我们要能站在更高维度看问题，才能提出更全面实惠的解决方案，很多情况下就是，你不能说清楚为什么这个功能你可以不做，你就得做。这块做好，可能会成为算法同学的核心竞争力吧，GPT这块能力现在还不行。
3.给算法多少资源？功能和性能边界定好以后，就得考虑有多少资源给我们做事，这块也很重要，特别是给算法运行的硬件资源，CPU,GPU,内存，总线带宽，硬盘读写等等，都要考虑清楚，才不至于研发过程中陷入死胡同。
4.数据怎么来？这块是决定算法的性能指标能做到什么高度最重要的点了，即使是大模型横行的时代，数据依旧是算法性能达成的最重要因素。我们的方案中是用真实数据还是合成数据，还是都用，配比是多少？真实数据哪里来？怎么从海量数据中低成本发掘有价值数据？数据仿真怎么做？怎么降低标注成本，提升标注效率？甚至，怎么防止陷入到和标注公司无尽的扯皮中，这些都是能否搞出NB算法必须要考虑的事情。
5.判断算法好坏的标准是什么？这块在研发前期也得确定好，算法这东西，它底层的原理和能力现在还是攥在一小撮人的手里，大部分人对怎么评价一个算法的好坏并不了解。你做了个算法，有可能已经很厉害了，别人可能认为怎么这么简单的东西都识别不出来。在研发初期我们就得想办法和验收工作的人对好评价算法的方式，以及承诺的预期指标，这块得细，得具体，要不以后就是无尽的扯皮。我们不是要做苹果树的识别吗？怎么冬天叶子掉光上面有积雪的苹果树咋识别不了了，你一口老血没喷出去，刚想解释我们不支持冬天下雪没叶子的场景的时候，别人来了句，那棵是不是苹果树你就说吧，这个时候再欲哭无泪也没用了。
上面问题回答好了，其实从算法要解决问题的边界，算法方案，数据和算力，到评价标准这一大块闭环逻辑都建立好了，剩下的执行工作将会变的轻松很多，当然不一定是身体的轻松，更多的是心里轻松。我相信，后面才是绝大多数算法同学最享受的时光。
03
—
交付后就结束了吗
上面有我自己的思考，经验总结，也夹杂着这么些年工作中血与泪的教训，希望梳理出来，能对大家有所帮助。
欢迎加入《AI未来星球》，一起成长
扫描下方二维码即可加入~
你可以获得什么？
1、大白之前花费10W+购买，AI行业各场景私有数据集下载，星球内倾情分享；2、AI行业研发、产品、商业落地问题咨询（目前AI公司创业中），都可获高质量解答，有效期一年，无限次提问，有问必答。3、定期邀请AI行业各类嘉宾分享，创业/商业等方面的经验！
帮助你解决遇到的实际问题，升职加薪！
大家一起加油！
